张大斌，江 华，徐柳怡，张文生

(1.华中师范大学信息管理学院，武汉 430079;2.中国科学院自动化研究所，北京 100190)

1 概述

差分进化(Differential Evolution，DE)算法是由Rainer Stoorn 和Kenneth Price［1］在1995 年共同提出的，它是一种简单、快速、基于全局的并行直接搜索优化算法。其原理简单、鲁棒性强、受控参数少、易于实现。由于差分进化算法对函数的可导性甚至连续性要求较低，近年来被广泛地应用于解决复杂的、离散的、非线性的优化问题，且具有良好的效果。DE 与传统的遗传算法(GA)不同，它采用实数编码、基于简单变异交叉操作和一对一的贪婪竞争生存策略，同时保有独特的记忆能力进行动态搜索，并可以不断调整其搜索策略，最后使种群个体趋于一致。标准的DE 算法在低维度函数寻优问题上能够使种群收敛于全局最优解，并且寻优速度快、求解质量高。但是在求解高维度、多峰值这些复杂函数问题过程中，很容易出现早熟现象，即算法经过多次迭代之后，个体间的差异变小，种群多样性降低并陷入局部收敛;后期收敛速度较慢并且缺乏稳健性。此外，在差分进化模式和参数取值上缺乏普遍的指导原则。为了提高差分进化算法搜索和开发能力及算法的收敛速度，许多学者对标准的DE 算法进行了一些研究和改进。如文献［2］提出一种基于DE 算法和NSGA-Ⅱ的多目标混合进化算法，确保最优解不会丢失并保证解的多样性。文献［3］提出一种带基向量种群的改进差分进化算法，通过缩小基向量选择范围减少迭代次数。……